前言:
这个博客《d2l-ai深度学习日记》将记录我在深度学习领域的学习与探索,特别是基于《动手学深度学习》这本经典教材的学习过程。在这个过程中,我不仅希望总结所学,还希望通过分享心得,与志同道合的朋友一起交流成长。这不仅是对知识的沉淀,也是我备战研究生考试、追逐学术进阶之路的一部分。
过去学习日志:
目录
一.图像卷积
对于卷积的严格数学定义,这里不多讲,主要从代码方面来理解,图像卷积,以及卷积层是如何实现的.
1.互相关运算
严格来说,卷积层是个错误的叫法,因为它所表达的运算其实是互相关运算(cross-correlation),⽽不是卷 积运算。
先通过二维互相关运算来理解互相关运算
在 图中,输⼊ 是⾼度为3、宽度为3的⼆维张量(即形状为3 × 3)。卷积核的⾼度和宽度都是2,⽽卷积核窗⼝(或卷积窗⼝) 的形状由内核的⾼度和宽度决定(即2 × 2)
在⼆维互相关运算中,卷积窗⼝从输⼊张量的左上⻆开始,从左到右、从上到下滑动。当卷积窗⼝滑动到新 ⼀个位置时,包含在该窗⼝中的部分张量与卷积核张量进⾏按元素相乘,得到的张量再求和得到⼀个单⼀的 标量值,由此我们得出了这⼀位置的输出张量值。在如上例⼦中,输出张量的四个元素由⼆维互相关运算得 到,这个输出⾼度为2、宽度为2,如下所⽰:
0 × 0 + 1 × 1 + 3 × 2 + 4 × 3 = 19,
1 × 0 + 2 × 1 + 4 × 2 + 5 × 3 = 25,
3 × 0 + 4 × 1 + 6 × 2 + 7 × 3 = 37,
4 × 0 + 5 × 1 + 7 × 2 + 8 × 3 = 43.
定义二维互相关运算:
def corr2d(X, K): #@save
# """计算⼆维互相关运算"""
h, w = K.shape
Y = torch.zeros((X.shape[0] - h + 1, X.shape[1] - w + 1))
for i in range(Y.shape[0]):
for j in range(Y.shape[1]):
Y[i, j] = (X[i:i + h, j:j + w] * K).sum()
return Y
调用:
X = torch.tensor([[0.0, 1.0, 2.0], [3.0, 4.0, 5.0], [6.0, 7.0, 8.0]])
K = torch.tensor([[0.0, 1.0], [2.0, 3.0]])
corr2d(X, K)
输出:
tensor([[19., 25.],
[37., 43.]])
和上图所示结果一样
2.卷积层
基于上⾯定义的corr2d函数实现⼆维卷积层。在__init__构造函数中,将weight和bias声明为两个模型 参数。前向传播函数调⽤corr2d函数并添加偏置:
class Conv2D(nn.Module):
def __init__(self, kernel_size):
super().__init__()
self.weight = nn.Parameter(torch.rand(kernel_size))
self.bias = nn.Parameter(torch.zeros(1))
def forward(self, x):
return corr2d(x, self.weight) + self.bias
3.图像中⽬标的边缘检测
首先构造一个模拟图形的矩阵:
X = torch.ones((6, 8))
X[:, 2:6] = 0
X
输出:
tensor([[1., 1., 0., 0., 0., 0., 1., 1.],
[1., 1., 0., 0., 0., 0., 1., 1.],
[1., 1., 0., 0., 0., 0., 1., 1.],
[1., 1., 0., 0., 0., 0., 1., 1.],
[1., 1., 0., 0., 0., 0., 1., 1.],
[1., 1., 0., 0., 0., 0., 1., 1.]])
这里构造了⼀个6 × 8像素的⿊⽩图像。中间四列为⿊⾊(0),其余像素为⽩⾊(1)
接下来,我们构造⼀个⾼度为1、宽度为2的卷积核K。当进⾏互相关运算时,如果⽔平相邻的两元素相同,则 输出为零,否则输出为⾮零。
K = torch.tensor([[1.0, -1.0]])
现在,我们对参数X(输⼊)和K(卷积核)执⾏互相关运算。如下所⽰,输出Y中的1代表从⽩⾊到⿊⾊的边 缘,-1代表从⿊⾊到⽩⾊的边缘,其他情况的输出为0。
Y = corr2d(X, K)
Y
输出:
tensor([[1., 1., 0., 0., 0., 0., 1., 1.],
[1., 1., 0., 0., 0., 0., 1., 1.],
[1., 1., 0., 0., 0., 0., 1., 1.],
[1., 1., 0., 0., 0., 0., 1., 1.],
[1., 1., 0., 0., 0., 0., 1., 1.],
[1., 1., 0., 0., 0., 0., 1., 1.]])
4.学习卷积核
构造⼀个卷积层,进行一次简单的训练来进行理解
# 构造⼀个⼆维卷积层,它具有1个输出通道和形状为(1,2)的卷积核
conv2d = nn.Conv2d(1,1, kernel_size=(1, 2), bias=False)
# 这个⼆维卷积层使⽤四维输⼊和输出格式(批量⼤⼩、通道、⾼度、宽度), # 其中批量⼤⼩和通道数都为1
X = X.reshape((1, 1, 6, 8))
Y = Y.reshape((1, 1, 6, 7))
lr = 3e-2 # 学习率
for i in range(10):
Y_hat = conv2d(X)
l = (Y_hat - Y) ** 2
conv2d.zero_grad()
l.sum().backward() # 迭代卷积核
conv2d.weight.data[:] -= lr * conv2d.weight.grad
if (i + 1) % 2 == 0:
print(f'epoch {i+1}, loss {l.sum():.3f}')
这里构造了一个二维的卷积层,并且用其卷积核初始化为随机张量.
损失函数是Y与卷积层输出的平⽅误差,然后计算梯度 来更新卷积核.
输出结果如下:
epoch 2, loss 8.123
epoch 4, loss 2.708
epoch 6, loss 1.005
epoch 8, loss 0.394
epoch 10, loss 0.159
在10次迭代之后,误差已经降到⾜够低。现在我们来看看我们所学的卷积核的权重张量:
conv2d.weight.data.reshape((1, 2))
输出:
tensor([[ 1.0325, -0.9508]])
这里的卷积核和我们上面定义的
K = torch.tensor([[1.0, -1.0]])
特别相似.原因是寻找⿊⽩边缘[1, -1]的边缘检测器是最佳的
二.填充和步幅
1.填充
在上一章中,可以看到卷积层输入3×3,但是输出只有2×2,这会导致神经网络层越来越小,为了使得神经网络层数不变,所以提出了一种方法"填充"来扩大卷积层的输出
torch.Size([8, 8])
填充(padding):在输⼊图像的边界填充元素(通常填充元素是0)。例如,在上图中, 我们将3 × 3输⼊填充到5 × 5,那么它的输出就增加为4 × 4。阴影部分是第⼀个输出元素以及⽤于输出计算 的输⼊和核张量元素:0 × 0 + 0 × 1 + 0 × 2 + 0 × 3 = 0。
实现填充:
# 为了⽅便起⻅,我们定义了⼀个计算卷积层的函数。
# 此函数初始化卷积层权重,并对输⼊和输出提⾼和缩减相应的维数
def comp_conv2d(conv2d, X):
# 这⾥的(1,1)表⽰批量⼤⼩和通道数都是1
X = X.reshape((1, 1) + X.shape)
Y = conv2d(X)
# 省略前两个维度:批量⼤⼩和通道
return Y.reshape(Y.shape[2:])
# 请注意,这⾥每边都填充了1⾏或1列,因此总共添加了2⾏或2列
调用:
conv2d = nn.Conv2d(1, 1, kernel_size=3, padding=1)
X = torch.rand(size=(8, 8))
comp_conv2d(conv2d, X).shape
输出:
torch.Size([8, 8])
在上面这个例子中,创建了⼀个⾼度和宽度为3的⼆维卷积层,并在所有侧边填充1个像素。给定⾼度 和宽度为8的输⼊,则输出的⾼度和宽度也是8。
2.步幅
在计算互相关时,卷积窗⼝从输⼊张量的左上⻆开始,向下、向右滑动。在前⾯的例⼦中,我们默认每次滑动 ⼀个元素。但是,有时候为了⾼效计算或是缩减采样次数,卷积窗⼝可以跳过中间位置,每次滑动多个元素。
我们将每次滑动元素的数量称为步幅(stride)
可以看到,为了计算输出中第⼀列的第⼆个元素和第⼀⾏的第⼆个元素,卷积窗⼝分别向下滑动三⾏和向右 滑动两列。
实现:
conv2d = nn.Conv2d(1, 1, kernel_size=3, padding=1, stride=2)
comp_conv2d(conv2d, X).shape
输出:
torch.Size([4, 4])
这里,定义了步伐stride为2,故使得给定⾼度 和宽度为8的输⼊,输出的⾼度和宽度都为4
三.多输⼊多输出通道
1.多输⼊通道
当多输入的时候,单输出的时候,分别将每个部分卷积层和卷积核按照相互关运算,再相加,就得到了输出的,如上图所示
实现:
def corr2d_multi_in(X, K):
# 先遍历“X”和“K”的第0个维度(通道维度),再把它们加在⼀起
return sum(d2l.corr2d(x, k) for x, k in zip(X, K))
X = torch.tensor([[[0.0, 1.0, 2.0], [3.0, 4.0, 5.0], [6.0, 7.0, 8.0]],[[1.0, 2.0, 3.0], [4.0, 5.0, 6.0], [7.0, 8.0, 9.0]]])
K = torch.tensor([[[0.0, 1.0], [2.0, 3.0]], [[1.0, 2.0], [3.0, 4.0]]])
corr2d_multi_in(X, K)
输出:
tensor([[ 56., 72.],
[104., 120.]])
2. 多输出通道
当卷积核多通道输入的时候,此时的互相关运算并不总是都想加,就形成了多输出
实现:
def corr2d_multi_in_out(X, K):
# 迭代“K”的第0个维度,每次都对输⼊“X”执⾏互相关运算。 # 最后将所有结果都叠加在⼀起
return torch.stack([corr2d_multi_in(X, k) for k in K], 0)
通过将核张量K与K+1(K中每个元素加1)和K+2连接起来,构造了⼀个具有3个输出通道的卷积核。
K = torch.stack((K, K + 1, K + 2), 0)
K.shape
输出:
torch.Size([3, 2, 2, 2])
四.汇聚层(池化层)
与卷积层类似,汇聚层运算符由⼀个固定形状的窗⼝组成,该窗⼝根据其步幅⼤⼩在输⼊的所有区域上滑动, 为固定形状窗⼝(有时称为汇聚窗⼝)遍历的每个位置计算⼀个输出。然⽽,不同于卷积层中的输⼊与卷积 核之间的互相关计算,汇聚层不包含参数。
1.最⼤汇聚层和平均汇聚层
在汇聚窗口过程中,取窗⼝中所有元素的 最⼤值,称为最大汇聚层
上图中中的输出张量的⾼度为2,宽度为2。这四个元素为每个汇聚窗⼝中的最⼤值:
max(0, 1, 3, 4) = 4,
max(1, 2, 4, 5) = 5,
max(3, 4, 6, 7) = 7,
max(4, 5, 7, 8) = 8.
在汇聚窗口过程中,取窗⼝中所有元素的平均值,称为平均汇聚层
实现:
def pool2d(X, pool_size, mode='max'):
p_h, p_w = pool_size
Y = torch.zeros((X.shape[0] - p_h + 1, X.shape[1] - p_w + 1))
for i in range(Y.shape[0]):
for j in range(Y.shape[1]):
if mode == 'max':
Y[i, j] = X[i: i + p_h, j: j + p_w].max()
elif mode == 'avg':
Y[i, j] = X[i: i + p_h, j: j + p_w].mean()
return Y
调用:
X = torch.tensor([[0.0, 1.0, 2.0], [3.0, 4.0, 5.0], [6.0, 7.0, 8.0]])
pool2d(X, (2, 2))
输出:
tensor([[4., 5.],
[7., 8.]])
2.填充和步幅
与卷积层⼀样,汇聚层也可以改变输出形状.很好理解.
实现:
先定义一个矩阵:
X = torch.arange(16, dtype=torch.float32).reshape((1, 1, 4, 4))
X
矩阵:
tensor([[[[ 0., 1., 2., 3.],
[ 4., 5., 6., 7.],
[ 8., 9., 10., 11.],
[12., 13., 14., 15.]]]])
定义填充和步长:
pool2d = nn.MaxPool2d(3, padding=1, stride=2)
pool2d(X)
输出:
tensor([[[[ 5., 7.], [13., 15.]]]])
3.多个通道
在处理多通道输⼊数据时,汇聚层在每个输⼊通道上单独运算,⽽不是像卷积层⼀样在通道上对输⼊进⾏汇 总。这意味着汇聚层的输出通道数与输⼊通道数相同。
下⾯,在通道维度上连结张量X和X + 1,以构建具有2个通道的输⼊。
X = torch.cat((X, X + 1), 1)
X
输出:
tensor([[[[ 0., 1., 2., 3.],
[ 4., 5., 6., 7.],
[ 8., 9., 10., 11.],
[12., 13., 14., 15.]],
[[ 1., 2., 3., 4.],
[ 5., 6., 7., 8.],
[ 9., 10., 11., 12.],
[13., 14., 15., 16.]]]])
五.卷积神经⽹络(LeNet)
1.LeNet网络结构
总体来看,LeNet(LeNet-5)由两个部分组成:
• 卷积编码器:由两个卷积层组成;
• 全连接层密集块:由三个全连接层组成。
自己实现LeNet网络层:
net = nn.Sequential(
nn.Conv2d(1, 6, kernel_size=5, padding=2), nn.Sigmoid(),
nn.AvgPool2d(kernel_size=2, stride=2),
nn.Conv2d(6, 16, kernel_size=5), nn.Sigmoid(),
nn.AvgPool2d(kernel_size=2, stride=2),
nn.Flatten(),
nn.Linear(16 * 5 * 5, 120), nn.Sigmoid(),
nn.Linear(120, 84), nn.Sigmoid(),
nn.Linear(84, 10))
LeNet最后一层还有Gaussian函数,之前的激活函数中并没有提到,而且不影响我们理解网络,这里不多赘述
下⾯,我们将⼀个⼤⼩为28 × 28的单通道(⿊⽩)图像通过LeNet
X = torch.rand(size=(1, 1, 28, 28), dtype=torch.float32)
for layer in net:
X = layer(X)
print(layer.__class__.__name__,'output shape: \t',X.shape)
输出:
Conv2d output shape: torch.Size([1, 6, 28, 28])
Sigmoid output shape: torch.Size([1, 6, 28, 28])
AvgPool2d output shape: torch.Size([1, 6, 14, 14])
Conv2d output shape: torch.Size([1, 16, 10, 10])
Sigmoid output shape: torch.Size([1, 16, 10, 10])
AvgPool2d output shape: torch.Size([1, 16, 5, 5])
Flatten output shape: torch.Size([1, 400])
Linear output shape: torch.Size([1, 120])
Sigmoid output shape: torch.Size([1, 120])
Linear output shape: torch.Size([1, 84])
Sigmoid output shape: torch.Size([1, 84])
Linear output shape: torch.Size([1, 10])
2.模型训练
使用Fashion-MNIST数据集来测试LeNet模型
加载数据集:
batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size=batch_size)
创造精度函数:
def evaluate_accuracy_gpu(net, data_iter, device=None): #@save
# """使⽤GPU计算模型在数据集上的精度"""
if isinstance(net, nn.Module):
net.eval() # 设置为评估模式
if not device:
device = next(iter(net.parameters())).device
# 正确预测的数量,总预测的数量
metric = d2l.Accumulator(2)
with torch.no_grad():
for X, y in data_iter:
if isinstance(X, list):
# BERT微调所需的(之后将介绍)
X = [x.to(device) for x in X]
else:
X = X.to(device)
y = y.to(device)
metric.add(d2l.accuracy(net(X), y), y.numel())
return metric[0] / metric[1]
定义训练函数:
#@save
def train_ch6(net, train_iter, test_iter, num_epochs, lr, device):
# """⽤GPU训练模型(在第六章定义)"""
def init_weights(m):
if type(m) == nn.Linear or type(m) == nn.Conv2d:
nn.init.xavier_uniform_(m.weight)
net.apply(init_weights)
print('training on', device)
net.to(device)
optimizer = torch.optim.SGD(net.parameters(), lr=lr)
loss = nn.CrossEntropyLoss()
animator = d2l.Animator(xlabel='epoch', xlim=[1, num_epochs],legend=['train loss', 'train acc', 'test acc'])
timer, num_batches = d2l.Timer(), len(train_iter)
for epoch in range(num_epochs):
# 训练损失之和,训练准确率之和,样本数
metric = d2l.Accumulator(3)
net.train()
for i, (X, y) in enumerate(train_iter):
timer.start()
optimizer.zero_grad()
X, y = X.to(device), y.to(device)
y_hat = net(X)
l = loss(y_hat, y)
l.backward()
optimizer.step()
with torch.no_grad():
metric.add(l * X.shape[0], d2l.accuracy(y_hat, y), X.shape[0])
timer.stop()
train_l = metric[0] / metric[2]
train_acc = metric[1] / metric[2]
if (i + 1) % (num_batches // 5) == 0 or i == num_batches - 1:
animator.add(epoch + (i + 1) / num_batches,(train_l, train_acc, None))
test_acc = evaluate_accuracy_gpu(net, test_iter)
animator.add(epoch + 1, (None, None, test_acc))
print(f'loss {train_l:.3f}, train acc {train_acc:.3f}, 'f'test acc {test_acc:.3f}')
print(f'{metric[2] * num_epochs / timer.sum():.1f} examples/sec 'f'on {str(device)}')
这里的训练函数很简单,就是开始使用GPU进行训练,其他的和之前的并没有什么差异
训练并评估:
lr, num_epochs = 0.9, 10
train_ch6(net, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())
输出:
loss 0.467, train acc 0.823, test acc 0.820
29370.7 examples/sec on cuda:0
六.总结
在这次学习中,主要是学习了卷积神经网络,池化层的一些相关概念,较为基础和简单,了解到了多层感知机以外的神经网络,并且知道了如何使用GPU进行训练